除了高斯函数，【2】2】前馈(FF)前馈神经网络【2】前馈神经网络(FF)也是一种非常古老的方法，起源于20世纪50年代。常见的局部逼近网络包括RBF网络、CMAC网络和B样条网络，RBF中的basisfunction提供了神经网络隐单元中的函数集，当它扩展到隐空间时，为输入模式(向量)构造一个任意的“基”。
1、最近在学习RBF也就是径向基函数
RBF(径向基函数)可以看作是高维空间中的曲面拟合(逼近)问题。学习的目的是在多维空间中找到一个最能匹配训练数据的曲面，然后用刚刚训练好的曲面处理一批新的数据(比如分类和回归)。RBF的本质思想是反向传播学习算法应用了递归技术，统计学上称之为随机逼近。RBF中的basisfunction提供了神经网络隐单元中的函数集，当它扩展到隐空间时，为输入模式(向量)构造一个任意的“基”。
如果只有几个连接权重影响输入空间局部区域的输出，则该网络称为局部近似网络。常见的局部逼近网络包括RBF网络、CMAC网络和B样条网络。径向基函数解决了插值问题。完整的插值方法要求插值函数经过每个采样点，即。总共有p个样本点。RBF的方法是选取P个基函数，每个基函数对应一个训练数据。每个基函数的形式称为径向基函数，因为距离是径向各向同性的。
2、径向基函数的介绍
径向基函数是一个实函数，其值只取决于离原点的距离，即φ (x) φ (‖ x ‖)，也可以是到任意一点C的距离，点C称为中心点，即φ (x，c) φ (‖ xc ‖)。任何满足φ (x) φ (‖ x ‖)特征的函数称为径向基函数，标准的一般用欧氏距离(也叫欧氏径向基函数)，虽然其他距离函数也是可以的。在神经网络结构中，它可以作为全连接层和ReLU层的主要功能。
3、径向基神经网络除了使用高斯函数,还可以使用哪些函数比较好?
RBF神经网络使用一个具有局部指数衰减的非线性函数(高斯函数是一个典型的函数)来局部逼近非线性的输入输出映射。多层感知器(如BP网络)的隐节点采用输入模式和权向量的内积作为激活函数的自变量，而激活函数采用Sigmoid函数或硬限幅函数，所以多层感知器是对非线性映射的全局逼近。RBF网络最显著的特点是隐节点误用输入模式与中心向量的距离(如欧氏距离)作为函数的自变量，使用径向基函数(如高斯函数)作为激活函数。
什么是4、ann是什么神经网络
ann？神经网络的内容如下:1 .一组连接，其强度由每个连接的权重来表示。如果是阳性，说明激活；如果是阴性，说明抑制。2.求和单元:用于计算每个输入信号的加权和。3.一个非线性激活函数:它起到非线性映射的作用，将神经元的输出幅度限制在一定范围内，一般在(0，1)或(1，1)之间。4.设置一个隐层，让它作为隐层节点的激活函数，使隐层节点的个数m大于输入节点n，形成一个高维空间。
6.归一化RBF网络的隐节点数等于输入样本数，但样本非常大。解决方案:减少隐藏节点的数量，使。